Clasificación automática de imágenes en aplicaciones sobre viviendas
Visualitza/Obre
Memòria (2,721Mb) (Accés restringit)
Sol·licita una còpia a l'autor
Què és aquest botó?
Aquest botó permet demanar una còpia d'un document restringit a l'autor. Es mostra quan:
- Disposem del correu electrònic de l'autor
- El document té una mida inferior a 20 Mb
- Es tracta d'un document d'accés restringit per decisió de l'autor o d'un document d'accés restringit per política de l'editorial
Resum (340,0Kb) (Accés restringit)
Sol·licita una còpia a l'autor
Què és aquest botó?
Aquest botó permet demanar una còpia d'un document restringit a l'autor. Es mostra quan:
- Disposem del correu electrònic de l'autor
- El document té una mida inferior a 20 Mb
- Es tracta d'un document d'accés restringit per decisió de l'autor o d'un document d'accés restringit per política de l'editorial
Codi i sortides (28,77Mb) (Accés restringit)
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/126066
Correu electrònic de l'autordarcoizagmail.com
Tipus de documentTreball Final de Grau
Data2018-10
Condicions d'accésAccés restringit per decisió de l'autor
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
[CASTELLÀ] La clasificación de escenas es uno de las tareas más importantes en el campo de la visión computerizada. La existencia de grandes bases de datos etiquetadas y el aumento de las capacidades de computación permiten aplicar las técnicas necesarias para tener éxito. A diferencia del reconocimiento de objetos, en el que se han producido importantes avances, en el campo del reconocimiento de escenas aún hay una importante posibilidad de mejora. La escena se encuentra en un nivel de abstracción superior al estar compuesta por objetos y un entorno que pueden relacionarse de múltiples formas. Se ha desarrollado un modelo que clasifica imágenes en función de la escena representada aprovechando las características y capacidades predictivas de redes convolucionales especializadas en la detección de objetos. Se han evaluado también las capacidades de clasificación en base a las formas básicas activadas en dichas redes. La alta efectividad mostrada por los modelos en los análisis previos, inicialmente ajustados clasificar cuatro clases indoor, sugiere que se pueda ampliar el alcance del trabajo de forma que incorpore la clasificación de las clases outdoor del dataset escogido, así se hace con objeto de adquirir mayor conocimiento en este campo. El trabajo realizado se ha mostrado eficaz, produciendo modelos con una precisión cercana al 86% y 90% respectivamente sobre un total de 10 clases distintas: bedroom, bridge, church outdoor, classroom, conference room, dining room, kitchen, living room, restaurant y tower. Se ha analizado los modelos para entender sus predicciones, para ello se ha medido la relevancia de cada una de las características para cada clase, asimismo se ha detallado el error producido, se ayuda con ello a entender el proceso de visitón computerizada en este caso. [ANGLÈS] Scene classification is one of the most challenging tasks in computer vision. Huge labelled databases availability and high computational capabilities are the key aspects in order for the required techniques to be applied successfully to achieve such task. As opposed to object recognition, which has seen significant improvements, there is still work to do in scene classification in order to increase its capabilities. Scene is one abstraction level over objects because it’s a composition of objects itself, an environment and the relationships established between them. This work developed a model capable of successfully classify scene images leveraging the benefits of deep convolutional networks object recognition capabilities. In addition, traditional convolutional shapes provided by such networks have been used to fit another model in order to compare their results. High effectiveness shown by preliminary tests, initially adjusted to classify four indoor classes, suggests that the scope of the work is able to be extended to outdoor classes of the chosen dataset, as a result, more knowledge will be acquired in this field. This manuscript demonstrates the concept capabilities, which produced models with accuracies of 86% and 90%, respectively, over 10 different classes: bedroom, bridge, church outdoor, classroom, conference room, dining room, kitchen, living room, restaurant and tower. In order to understand the involved computer vision process, both models have been analysed to understand its errors and predictions; to do that, class predictions and feature relevance over such classes have been individually measured.
MatèriesComputer vision, Neural networks (Computer science), Visió per ordinador, Xarxes neuronals (Informàtica)
TitulacióGRAU EN ENGINYERIA INFORMÀTICA (Pla 2010)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
Memoria.pdf | Memòria | 2,721Mb | Accés restringit | |
Resumen.pdf | Resum | 340,0Kb | Accés restringit | |
codigo y salidas.zip | Codi i sortides | 28,77Mb | application/zip | Accés restringit |